BP网络-正交设计用于炼油厂废水处理中活性污泥的活化

2007年12月第6期南京晓庄学院学报JOURNALOFNANJINGXIAOZHUANGUNIVERSITYDee．．2007No．6BP网络一正交设计用于炼油厂废水处理中活性污泥的活化朱媛，李丽，张雪松(1．南京晓庄学院化学系，江苏南京210017；2．江苏农林职业技术学院生物工程系，江苏句容212400)摘要：为探讨生化法处理炼油厂废水中活性污泥的活化条件，本文利用BP神经网络的数值逼近方法和实验检测方法，选择COD、硫化物、温度、DO为影响因素，针对活性污泥浓度和指数，得到了处理条件下的预测数值和实验数值，二者接近，说明BP神经网络预测的精确度较高．通过对检测结果的正交分析，得到了处理炼油厂废水用活性污泥的活化条件．关键词：BP；正交设计；炼油厂废水；活性污泥中图分类号：X703．1文献标识码：A文章编号：1009—7902(2007)06—0051—040前言炼油厂排放的废水具有排放量大、成分复杂等特点，处理步骤为隔油、气浮和生化处理．其中，生化处理是处理工艺流程的核心，而活性污泥法则是生化处理的核心．要达到良好的生化处理效果，活性污泥对水质有着比较严格的要求，当进水质条件突变时，易使活性污泥失去活性、中毒、甚至全部流失．而炼油废水受生产的影响，水质水量变化较大，使得生化处理的运行很不利．为达到生化处理的最佳效果，需要知道生化法中活性污泥的最佳运行参数．由于影响生化处理的因素较多，各因素间有相互作用，因此本文采用正交设计，借助于BP神经网络，通过较少的实验次数，考察了COD、S卜、T、DO四因素对活性污泥的影响，寻找生化法处理炼油废水的最佳工艺条件·．1BP神经网络BP网络是一种对非线性可微分函数进行权值训练的多层网络，主要用于函数逼近、模式识别、分类等领域，结构图如图1所示．收稿日期：2007—06—10作者简介：朱媛，女，南京晓庄学院化学系教师，化学化工方向BP网络的计算由四个过程组成：输入模式由输入层经隐含层向输出层的“模式正向传播”过程；网络实际输出与希望输出的误差信号由输出层经隐含层向输入层逐层修正连接权和阈值的“误差反向传播”过程；由“模式正向传播”过程与“误差反向传播”过程反复交替进行的网络学习训练过程；网络全局误差趋向极小的学习收敛过程．通过增加动量项或采用二阶算法，如牛顿法、共扼梯度法等，可改进BP网络，以加快训练速度，避免陷入局部极小．污泥浓度污泥指数输出层隐含层输入层耗氧量(COD)硫化物(s。一)温度(t)溶解氧(DO)图1BP网结构图维普资讯http://www.cqvip.com2实验及分析2．1正交买验一BP神经网络2．1．1实验设计利用正交设计，达到较少的实验次数和较低的实验费用，找出活性污泥生化处理法最佳的运行参数，同时可为污水场的日常管理及成本控制提供可靠的依据．实验考核指标是依据实验目的及活性污泥法成熟的管理经验而确定的反映处理效果的特性值．具体要求：颜色为黄褐色，具有良好的絮凝效果及较大的絮凝体．污泥浓度：1800～4000mg／L’污泥指数：50～200，最好为100～1402．1．2结果分析以化学耗氧量、溶解氧、硫化物、温度作为因素，各设计三个水平，采用正交设计，对污泥浓度和污泥指数进行正交实验．并将这四个因素作为网络的输入，两个变量污泥浓度(mg／L)、污泥指数作为网络的输出，以9组实验数据为训练样本，以包括9组数据在内的及随机生成的100组共109组数据为检测样本，取网络的隐层神经元数为3进行计算．选择学习速率为0．2，动量因子为0．15，迭代次数为10000，在输出文件中得到的9个计算结果，结果见表1．表1实验结果由表1可以看出，通过比较实验值和计算值可以看出污泥浓度(mg／L)和污泥指数的绝对值相差不大，计算结果比较令人满意，可见BP神经网络这种方法还是适用的．BP神经网络程序在训练过程中，迭代次数、训练样本少会导致误差较大．迭代次数的增加，训练误差和计算误差都相应下降，当迭代次数超过一定次以后，误差的变化就很小．BP神经网络程序中学习速率是决定训练快慢的一个重要因素，决定了每一次循环训练中所产生的权值变化量．学习速率大可能导致系统不稳定，学习速率小会延长训练时间，收敛速度很慢．同时，学习速率对误差也有一定影响．随着学习速率的增加，误差逐渐减小，在0．2附近变化最小．但当学习速率继续增大时，误差会重又增大．所以选择一个合适的值是非常重要的，本文确定学习速率值为0．2．2．2各因素对于污泥浓度和污泥指数的影响考察化学耗氧量(COD)A、溶解氧(DO)B、硫化物(S)C和温度(T)D对污泥浓度(mg／L)及污泥指数的影响，实验数据用STATISTICA软件分析．一S2—2．2．1对污泥浓度的影响(1)COD(I_T(Q)(4)T(L)DO(Q)(2)DO(LS(Q)CO